論文の概要: Decomposable Probability-of-Success Metrics in Algorithmic Search

• arxiv url: http://arxiv.org/abs/2001.00742v1
• Date: Fri, 3 Jan 2020 06:26:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 17:17:40.601793
• Title: Decomposable Probability-of-Success Metrics in Algorithmic Search
• Title（参考訳）: アルゴリズム探索における分解可能な確率尺度
• Authors: Tyler Sam, Jake Williams, Abel Tadesse, Huey Sun, George Montanez
• Abstract要約: これまでの研究では、アルゴリズム検索フレームワーク内で特定の成功基準を使用して、機械学習の不可能な結果を証明してきた。 本稿では,確率分布上の線形演算として表現できる探索問題に対する成功度尺度のカテゴリとして,分解可能なメトリクスを定義する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous studies have used a specific success metric within an algorithmic search framework to prove machine learning impossibility results. However, this specific success metric prevents us from applying these results on other forms of machine learning, e.g. transfer learning. We define decomposable metrics as a category of success metrics for search problems which can be expressed as a linear operation on a probability distribution to solve this issue. Using an arbitrary decomposable metric to measure the success of a search, we demonstrate theorems which bound success in various ways, generalizing several existing results in the literature.
• Abstract（参考訳）: これまでの研究では、アルゴリズム検索フレームワーク内で特定の成功度メトリクスを使用して、機械学習の不可能性を証明する。 しかし、この特定の成功基準は、転送学習のような他の機械学習の形式にこれらの結果を適用するのを妨げます。 本稿では,確率分布上の線形演算として表現できる探索問題に対して,分解可能なメトリクスを成功指標のカテゴリとして定義する。 任意の分解可能な計量を用いて探索の成功を測り、様々な方法で成功を束縛する定理を示し、文献におけるいくつかの既存の結果を一般化する。

関連論文リスト

• On the Consistency of Fairness Measurement Methods for Regression Tasks [4.4701415309453285]
  本稿では,様々な公正度測定手法の出力の整合性について検討する。 いくつかの公正度測定手法は様々な回帰タスクに対して強い整合性を示すが、特定の回帰タスクでは比較的不整合性を示す。
  論文  参考訳（メタデータ） (2024-06-19T16:35:23Z)
• Multi-Dimensional Ability Diagnosis for Machine Learning Algorithms [88.93372675846123]
  本稿では,機械学習アルゴリズム評価のためのタスク非依存評価フレームワークCamillaを提案する。 認識診断の仮定とニューラルネットワークを用いて、各サンプルのアルゴリズム、サンプル、スキル間の複雑な相互作用を学習する。 我々の実験では、カミラはメートル法信頼性、ランクの整合性、ランクの安定性で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-07-14T03:15:56Z)
• Predictive Coding beyond Correlations [59.47245250412873]
  このようなアルゴリズムのうちの1つは、予測符号化と呼ばれ、因果推論タスクを実行することができるかを示す。 まず、予測符号化の推論過程における簡単な変化が、因果グラフを再利用したり再定義したりすることなく、介入を計算できることを示す。
  論文  参考訳（メタデータ） (2023-06-27T13:57:16Z)
• Impossibility Theorems for Feature Attribution [21.88229793890961]
  そこで本研究では,適度にリッチなモデルクラスでは,任意の特徴属性法がモデル振る舞いを推測するランダムな推測において,確実に改善できないことを示す。 本研究は, 局所モデル行動の特徴付け, 突発的特徴の同定, アルゴリズム的リコースなど, 一般的なエンドタスクに適用する。
  論文  参考訳（メタデータ） (2022-12-22T17:03:57Z)
• Revisiting Few-Shot Learning from a Causal Perspective [11.59251896804287]
  我々は、因果的メカニズムを用いて、計量に基づく少ショット学習手法を解釈しようと試みる。 既存のアプローチは,正面調整の特定の形態とみなすことができる。 本稿では,2つの因果的手法を導入する。
  論文  参考訳（メタデータ） (2022-09-28T03:46:02Z)
• Meta Navigator: Search for a Good Adaptation Policy for Few-shot Learning [113.05118113697111]
  少ないショット学習は、ラベル付きデータしか持たない新しいタスクに、以前のタスクから学んだ知識を適応させることを目的としている。 少数ショット学習に関する研究文献は、大きな多様性を示し、異なるアルゴリズムは、しばしば異なる少数ショット学習シナリオで優れている。 本稿では,メタナビゲータ(Meta Navigator)について紹介する。
  論文  参考訳（メタデータ） (2021-09-13T07:20:01Z)
• MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
  本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。 正規化最大度(NML)分布の計算法を提案する。 得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
  論文  参考訳（メタデータ） (2021-07-15T08:19:57Z)
• ECML: An Ensemble Cascade Metric Learning Mechanism towards Face Verification [50.137924223702264]
  特に、階層的メートル法学習はカスケード方式で実行され、不適合を緩和する。 顔の特徴分布特性を考慮し, 閉形解を用いたロバストなマハラノビス計量学習法(RMML)を提案する。 EC-RMMLは、顔認証のための最先端のメトリック学習法よりも優れている。
  論文  参考訳（メタデータ） (2020-07-11T08:47:07Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。